人工智能实验三-TSP问题.docVIP

【实验名称】 人工智能实验三：遗传算法求解TSP问题 遗传算法参数 （SGA）=（C，E，P0，M，Φ，Г，Ψ，Τ） C ——个体的编码方法； E ——个体的适应度评价函数； P0——初始群体； M ——群体大小，一般取20—100； Ф——选择算子，SGA使用比例算子； Г——交叉算子，SGA使用单点交叉算子； Ψ——变异算子，SGA使用基本位变异算子； Т——算法终止条件，一般终止进化代数为100—500； #include cmath #include ctime #include vector #include map #include string #include iostream #include algorithm using namespace std; float pcross = 0.80; //交叉率 float pmutation = 0.1; //变异率 int popsize = 300; //种群大小 const int lchrom = 20; //染色体长度 int gen; //当前世代 int maxgen = 100; //最大世代数 int run; //当前运行次数 int maxruns =10; //总运行次数 float max_var = 9 ; //路径最大连接开销 //基因定义(一个城市) struct Gene { string name; mapGene*,float linkCost; //该城市到其它城市的路程开销 }; //染色体定义(到各城市顺序的一种组合) struct Chrom { vectorGene* chrom_gene; //染色体（到各城市去的顺序） float varible; //路程总开销 float fitness; //个体适应度 }; //种群定义 struct Pop { vectorChrom pop_chrom; //种群里的染色体组 float sumfitness; //种群中个体适应度累计 }; Pop oldpop; //当前代种群 Pop newpop; //新一代种群 vectorGene genes(lchrom); //保存全部基因 //产生一个随机整数(在low和high之间) inline int randomInt(int low,int high) { if(low==high) return low; return low+rand()%(high-low+1); } //计算一条染色体的个体适应度 inline void chromCost(Chrom chr) { float sum=0; for(int i=0;ichr.chrom_gene.size()-1;i++) { sum += (chr.chrom_gene[i])-linkCost[chr.chrom_gene[i+1]]; } sum += (chr.chrom_gene.front())-linkCost[chr.chrom_gene.back()]; chr.varible=sum; chr.fitness=max_var*(lchrom) - chr.varible; } //计算一个种群的个体适应度之和 inline void popCost(Pop pop) { float sum=0; for(int i=0;ipop.pop_chrom.size();i++) { sum+=pop.pop_chrom[i].fitness; } pop.sumfitness = sum; } void outChrom(Chrom chr); //随机初始化一条染色体 inline void initChrom(Chrom chr) { vectorint tmp(lchrom); for(int i=0;ilchrom;i++) tmp[i]=i; int choose; while(tmp.size()1) { choose=randomInt(0,tmp.size()-1); chr.chrom_gene.push_back(genes[tmp[choose]]); tmp.erase(tmp.begin()+choose); } chr.chrom_gene.push_back(genes[tmp[0]]); chromCost(chr); } //随机初始化种群 inline void initpop(Pop pop) { pop.pop_chrom.reserve(